CN116893346A - 用于基于机器分类模型对电池的集合进行分选的方法 - Google Patents

Abstract

一种用于模型的机器学习(101)的计算机实现的方法，该模型用于将电池分类为两个类别：功能正常或有缺陷，该方法包括以下步骤：‑在相同类型的电池的集合上获取(110)电池的操作的一组测量特性，‑对所述集合中的每个电池执行(111)完整循环，并且测量电池的充电曲线或放电曲线之中的至少一条曲线，‑通过将至少一条测量出的曲线与表征电池的正确操作的参考曲线进行比较，针对每个电池确定(111)属于功能正常类别或有缺陷类别的标签，以及‑基于所述一组测量和属于两个类别中的一个类别的所述标签，执行(112)对用于根据两个类别对电池进行分类的模型的有监督训练。

Description

用于基于机器分类模型对电池的集合进行分选的方法

技术领域

本发明涉及用于在对通常称为电池或微电池的储能设备制造过程中或在制造结束时对储能设备进行电测试，以便分选(sort)和消除不合规的产品的方法的领域。

背景技术

通过在基板上连续沉积以下元件来产生微电池：(i)第一集流体(currentcollector)，(ii)第一电极，(iii)电解质层，(iv)第二电极，和(v)第二集流体。通过沉积附加层或通过添加覆盖物的方式进行封装是必要的，以便保护设备免受与氧气和水蒸气的化学反应。

因此，微电池实质上由两个电极(正电极和负电极)构成，这两个电极被电绝缘体和离子导体(电解质)分隔开，并且其中，取决于微电池是被充电还是放电，离子(例如，锂离子，Li⁺)从一个电极行进到另一电极。

例如，固态微电池可以被定义为具有以下所有特性的电池：

-所有活性层(即，正电极、电解质和负电极)仅由固态无机材料组成。在一般情况下，这意味着不存在液体或凝胶聚合物电解质，也不存在包含聚合物粘合剂的电极材料，就像“标准电池”中的情况。

-所有活性层(即，正电极、电解质和负电极)的单个厚度小于50μm。另外地，电解质的厚度通常小于5μm，以及

-对于标准电池，每层的厚度通常大于100μm。表面积尺寸通常从mm²到10cm²变化。

通常，可以基于通常沉积在电解质上的负电极(或阳极)的类型来将微电池分类为三个类别：

-由Li+离子存储材料制成的阳极：这通常涉及过渡金属氧化物(Vox、TiOx、NiOx等)或碳族材料(Si、Ge、C或混合物)；

-由锂金属制成的阳极：锂层以金属形式沉积在集流体上；以及

-由对锂呈惰性的金属制成的阳极：参考文章J.Electrochem.Soc.-2000-Neudecker-517-23，这种配置通常称为“无锂(Li-free)”。在后一种情况下，当电池通过电解质与第二集流体之间的Li+离子(来自阴极)的电沉积首次充电时，会形成由锂金属制成的阳极。

因此，在无锂或“Li-free”微电池中，在制造过程结束时不存在负电极。所述负电极在第一次充电过程中产生。

微电池通常用于要求生产高能量密度亚毫米大小的组件的各种应用领域(物联网、医疗植入物、自主传感器等)。所涉及的制造技术源自微电子学(硅晶片基板、沉积薄层、光刻、干/湿蚀刻)，使得可以一次生产大量微电池，其在单个基板上的数量级可达数万个，有必要检查所述微电池的正确操作。

实际上，在制造过程结束时，特定组件上可能存在一些缺陷，因此在考虑它们可操作之前必须对它们进行逐一测试。

用于在微电池的制造结束时对微电池进行分选的最简单且最直接的方法在于执行多个充电/放电循环，然后检查电流简档、电压简档以及容量和内阻值是否符合预期。

然而，这种方法包括许多缺点。由于每个设备需要几个小时甚至几天的时间，因此所涉及的测试时间太长，以至于该过程在工业上下文中不可行，考虑到目标应用中涉及的设备数量，情况更是如此。

此外，电池的完全循环会导致堆叠的晶体结构的改变、界面的老化和Li+离子的迁移，从而使设备对湿度和周围大气极其敏感，并且如果在制造期间执行此测试，则可能阻止其余过程能够继续进行。最后，测试的电池不再适于销售，因为组件已经开始老化。

现有技术包括用于基于快速测试对电池或微电池进行分选的各种示例性方法。

美国专利申请US9209496提出了一种分选方法，该方法在于：测量电池的开路电压(OCV)；以及将其放电一定时段并将放电终止电位与OCV电位进行比较。显然，在这种“无锂”微电池的情况下，这种分选方法不适用，因为(i)OCV不提供关于电池状态的任何指示，以及(ii)对“无锂”电池进行放电无法以稳定的方式改变其电位，因为微电池在测试时已经完全放电。

美国专利US6526361提出了一种分选方法，该方法在于：对电池施加多个连续脉冲(施加电流脉冲或电压脉冲)，每个脉冲之间存在弛豫周期(relaxation period)；测量相关联的电压响应；以及在该响应的基础上执行分选。这种方法不适用于“无锂”微电池，因为它要求稳定的初始电压状态。

本申请人的法国专利申请FR3112213提出通过施加短电流进行充电的方式，形成锂纳米层来消除上述两种方法之间的差距。这使得可以具有稳定的界面状态并利用无锂架构的电位响应，同时不会降低电池性能。然而，所提出的解决方案并未解决潜在加载的情况。此外，分选是使用要求定义阈值的筛选系统在连续步骤中执行的：如果在给定步骤中测量的变量(例如，电位、电阻)不在给定间隔内，则测量停止并且电池被认为是有缺陷的。此外，基于本领域技术人员的知识来定义精确的阈值通常是棘手且不准确的，尤其是当变量的数量很多时，并且使用筛选无法涵盖所有可能的组合，因此存在消除功能正常的组件的风险。

本发明旨在通过提出一种快速测试方法来克服现有技术方法的缺点，该快速测试方法不会损坏电池并且可以根据哪些电池是功能正常的或有缺陷的来对电池进行分选。本发明基于训练机器学习分类模型，该训练是基于对电池的集合执行的测量的。然后，经训练的分类模型用于在电池的制造结束时仅基于对电池进行的测量来对电池进行分选，而不需要对电池执行循环(充电然后放电)。

训练分类模型涉及通过在一分钟的数量级的持续时间内施加电压来部分地对组件充电，然后研究电位的弛豫。这具有以与最终使用期间相同的方式加载电池的优点，然而，不会产生可能导致性能降低的过厚锂金属层。

发明内容

本发明包括两个阶段。在称为开发阶段的第一阶段中，根据快速协议测试的电池的样本将被完全循环，并将组件分类为两个类别：功能正常或有缺陷。学习算法在这些数据上进行训练，以便能够在输出时预测设备的功能正常特性或非功能正常特性，并在输入时进行的快速测试期间执行测量。

在称为使用阶段的第二阶段中，一旦模型已经被验证，新电池将被测试，并且经训练的分类模型使得可以预测其功能性而无需对其进行循环。这种方法的优点是能够免除定义用于分选的阈值并容纳大量维度。

本发明有利地适用于测试“无锂”固体电池，但其原理更普遍地适用于任何类型的电池或微电池。

本发明的一个主题是一种用于模型的机器学习的计算机实现的方法，所述模型用于将电池分类为两个类别：功能正常或有缺陷，所述方法包括以下步骤：

-在相同类型的电池的集合上获取电池的操作的一组测量特性，

-对所述集合中的每个电池执行完整循环，并且测量所述电池的充电曲线或放电曲线之中的至少一条曲线，

-通过将至少一条测量出的曲线与表征所述电池的正确操作的参考曲线进行比较，针对每个电池确定属于功能正常类别或有缺陷类别的标签，以及

-基于所述一组测量和属于所述两个类别中的一个类别的所述标签，执行对用于根据所述两个类别对电池进行分类的模型的有监督训练。

根据本发明的一个特定方面，对分类模型的所述有监督训练是通过随机森林算法的方式执行的。

根据本发明的一个特定方面，所述电池的操作的所述一组测量特性包括：跨所述电池的端子的开路电压的至少一个测量，例如，预定时间间隔内的平均测量。

根据本发明的一个特定方面，所述电池的操作的所述一组测量特性包括：在部分充电期间流过所述电池的电流的简档的至少一个测量。

根据本发明的一个特定方面，所述电流的简档是在最大电流值和部分充电结束电流值之中的至少一个特定点处测量的。

根据本发明的一个特定方面，所述电池的操作的所述一组测量特性包括：在部分充电之后的所述电池的弛豫期间，跨所述电池的端子的电压的简档的至少一个测量。

根据本发明的一个特定方面，电压简档测量包括：通过线性回归执行的，对放电期间的电压曲线的斜率和/或测量弛豫结束电位的至少一个估计。

根据本发明的一个特定方面，所述电池的操作的所述一组测量特性包括：通过利用至少一个预定频率的信号激励所述电池来执行的至少一个电化学阻抗光谱测量。

根据本发明的一个特定方面，所述电化学阻抗光谱测量是针对预定为1000Hz和10Hz的至少两个频率执行的。

根据本发明的一个特定方面，所述电池的操作的所述一组测量特性包括：电池在制造晶片上的位置的至少一个测量。

根据本发明的一个特定方面，所述电池为无锂固体电池。

本发明的另一主题是一种使用根据本发明所述的机器学习方法获得的计算机实现的分类模型。

本发明的另一主题是一种用于测试电池的集合的方法，包括以下步骤：对于每个电池进行以下操作：

-获取用于训练根据本发明所述的分类模型的同一组测量，以及

-实现根据本发明所述的分类模型，以基于所述一组测量来确定所述电池属于所述功能正常类别还是所述有缺陷类别。

本发明的另一主题是一种计算机程序产品，包括用于实现根据本发明所述的方法中的任一种方法的代码指令。

本发明的另一主题是一种用于测试电池的集合的设备，包括：测量装置和计算设备，所述测量装置和计算设备被配置为一起执行根据本发明所述的测试方法。

附图说明

在参考以下附图阅读以下描述时，本发明的其他特征和优点将变得更加显而易见。

[图1]示出了根据本发明的测试方法的两阶段原理的总图，

[图2]示出了跨微电池的端子的开路电压的测量的曲线图，

[图3]示出了在微电池部分充电期间的电流简档的曲线图，

[图4]示出了部分充电的微电池的电位弛豫简档的曲线图，

[图5]示出了针对各种频率使用光谱测量的微电池的电化学阻抗的Nyquist图，

[图6]示出了在根据本发明的学习方法的输入处使用的测量的数据库，

[图7]示出了表征功能正常微电池的参考曲线的集合和表征有缺陷微电池的曲线的多个示例，

[图8]示出了在经由随机森林学习算法生成树期间构造节点的步骤，

[图9]示出了由随机森林学习算法生成的树的一个示例，

[图10]示出了通过根据本发明的机器分类方法的方式，对在硅晶圆上生产并测试的微电池进行分类的两个示例，以及

[图11]示出了根据本发明的一个实施例的用于测试电池的设备的图。

具体实施方式

图1示意性地示出了详细说明用于实现本发明的步骤的流程图，其包括两个独立的阶段：第一阶段，学习101分类模型，其在多个电池的样本上执行；以及第二阶段，使用102经训练和验证的模型，以将新制造的电池分类为两个类别：功能正常的电池或有缺陷的电池。

学习阶段101包括：第一步骤110，通过对每个电池进行的测量来获取数据；然后是完全循环111电池的步骤，包括电池的至少一次完全充电和/或一次完全放电。完整的循环步骤111还包括充电和/或放电简档测量，以便将电池表征为属于功能正常类别或有缺陷类别。基于在步骤110中获取的测量和在步骤111中执行的标记为两个类别，在步骤112中训练有监督机器分类模型，以学习仅基于在步骤110执行的测量来将电池分类为功能正常或有缺陷。

一旦分类模型已经被训练和验证，就在第二阶段102中使用该分类模型以便直接应用于113在步骤110中对新制造的电池执行的测量，以便将这些新制造的电池直接分类(步骤114)为功能正常类别或有缺陷类别，而无需完全循环电池。

现在详细说明该方法的步骤中的每一个。

收集表示电池正确操作的参数的测量的步骤110在给定的电池的集合上，针对学习阶段101和使用阶段102两者执行。详细说明了步骤110的一个示例性实施例，其更具体地与微电池，特别是“无锂”微电池相关。在不脱离本发明的范围的情况下，可以设想其他参数来表征电池(特别是另一种类型的电池)的正确操作。

特别是对于微电池，设想以下测量来表征其操作状态。

第一种类型的测量涉及开路电压或OCV的测量。一旦电池离开制造过程，在任何电加载之前，在一定时间间隔(例如，等于几秒)内测量该电压。测量出的电压值可以在测量时间间隔内进行平均值。该电压是直接跨电池的端子进行测量的。

图2示出了开路电压测量曲线的一个示例。

另一种类型的测量涉及在电池的部分充电期间的电流简档。为此，通过跨电池的端子施加预定电压(例如，等于4.2V)来在一定时间间隔(例如，等于1分钟)内发起部分充电。在该时间间隔期间，然后测量流过电池的电流，并且这给出了图3中所示类型的电流演变曲线。可以完整地使用该电流简档，或者可以从中提取某些特征点，例如，电流的最大值Imax或充电结束电流值Ip。也可以设想曲线的其他点。

在对电池进行部分充电之后，停止加载并且可以通过在给定时间间隔内再次测量跨电池的端子的电压来确定加载的电池的电位弛豫。图4示出了这样的测量的一个示例，其中左侧是完整曲线，并且右侧是该曲线在幅度上的放大。

同样在这种情况下，可以选择某些特征点或参数，例如，弛豫曲线的斜率a_relax和弛豫结束电位Vr。

另一种类型的测量是电化学阻抗光谱测量，其可以通过给电池加载频率在给定频率范围内变化的正弦电压来执行。图5示出了测量出的电化学阻抗的Nyquist图的一个示例，其中横坐标为阻抗的实部，并且纵坐标为阻抗的虚部的相反。曲线的每个点对应不同的激励频率。

可以选择曲线上的所有点，或者有利地，仅选择某些特征点，例如，在频率1kHz和10Hz处测量的电阻Re_1k、Re_10分别给出了组件的内阻的测量和电容增加的测量。这两个测量点与评估微电池的正确操作特别相关。

在硅晶片上制造的微电池的情况下，另一个收集的数据是每个组件在晶片上的位置(x,y)。

另一个收集的数据涉及制造步骤，在制造步骤结束时执行测试。特别地，可以在电池的三个主要元件(正电极、负电极和触点)已经被制造完成后立即执行测量。测量可以特别地在保护组件免受空气和湿气影响的封装层的制造之前执行。

所有收集的测量被编译在图6中描述的类型的训练数据库中，其中每一行对应于被测试的组件，并且每一列对应于测量出的参数。

一旦已经执行了所有的测量，该方法移动到步骤111，该步骤111在于执行电池的完整循环，包括完全充电和/或完全放电。

在循环期间，测量充电曲线和/或放电曲线。充电曲线例如是充电容量或电流曲线。放电曲线例如是放电容量或电压曲线。

对于每个电池，将一个或多个测量出的曲线与对应于电池的功能正常状态的参考曲线进行比较，并且这用于推断每个电池是被分类为功能正常类别(如果测量对应于参考曲线)还是被分类为有缺陷类别(如果测量不对应于参考曲线)。

该步骤对应于对训练数据进行标注或标记，以对分类模型执行学习。它可以手动或自动执行。

图7示出了用于表征功能正常组件和有缺陷组件的微电池的充电或放电简档的各种曲线。

图701示出了以充电电流的强度作为充电容量的函数而变化的曲线的形式的充电简档曲线的一个示例。电流演变简档作为充电容量的函数而减小。

图702示出了以跨电池的端子的电压作为放电容量的函数而变化的曲线的形式的放电简档曲线的一个示例。电压演变简档作为放电容量的函数而减小。

图711、图712、图713、图714示出了针对有缺陷的芯片测量的各种充电简档。图721、图722、图723、图724示出了对应的放电简档曲线。曲线711、曲线721对应于开路缺陷，对于该开路缺陷，在充电期间没有测量到电流，并且在放电期间跨电池的端子的电压为零。曲线712、曲线722对应于与充电期间的过高电流相关的缺陷。由于测量出的电流太高，充电曲线712不合规，而放电曲线部分地合规。曲线713、曲线723对应于低效率缺陷，对于该低效率缺陷，电池的充电符合预期，但不存在放电。最后，曲线714、曲线724对应于金属层破裂缺陷，对于该金属层破裂缺陷，在充电期间电流经历突然中断，并且在放电期间无法测量电压。

在不脱离本发明的范围的情况下，可以存在对应于有缺陷芯片的充电和/或放电简档的其他示例。

通过将至少充电曲线和/或至少放电曲线与参考曲线701、702进行比较，由此推断电池是功能正常的还是有缺陷的。可以视觉地或自动地比较曲线，例如，通过将曲线的一些或所有点相互比较。

这在步骤111结束时给出了训练数据库，该训练数据库包含针对每个被测试的微电池的在步骤110中执行的所有相关联的测量以及在步骤111中确定的类别“功能正常”或“有缺陷”。

基于这些训练数据，然后对分类模型执行有监督训练112，其目的是仅基于在步骤110中执行的测量来确定微电池的类别，并且在不执行电池的完整循环的情况下这样做。

可以使用任何无监督训练引擎或算法来执行有监督训练112。给出了通过随机森林算法的方式实现的该训练的一个示例性实施例的描述。可以设想其他机器学习算法，例如，深度神经网络。

在步骤111结束时获得的数据被分为训练数据集和验证数据集。经由随机森林决策树算法实现的机器学习模型通过训练数据进行训练。训练在于迭代地调整模型的参数，以便能够尽可能精确地预测微电池的功能性类别。

该算法在于通过迭代地添加连续节点来构造多个决策树。每个节点与要针对输入数据进行测试的决策规则相关联。决策规则的一个示例在于将输入数据的值与阈值进行比较。

在训练期间，每个决策树是从初始数据集的子集构造的，该子集与初始数据集大小相同，但包括随机抽取和替换的样本。换言之，同一个样本(对应于电池)可以在用于训练的子集中被多次表示。

对于每个决策规则，计算成本以评估用于将与节点关联的数据分割到目标类别的规则的有效性。

例如，节点的成本是通过基尼准则(Gini criterion)来计算的：

其中，p_j是电池与属于类别j的节点相关联的概率，在当前仅针对两个类别的情况下，j等于0或1。

图8示出了构造连续节点的一个示例。节点800与用于将第一数据X[0](这里是开路电压的值)与阈值-0.001V进行比较的规则相关联。

对于每个节点，识别满足相关联的规则的“独特”样本的数量和属于两个类别(有缺陷或功能正常)的样本(包括多个样本)的总数，该数量由字段“值＝[x,y]”表示，其中，x是属于有缺陷类别的样本的数量，并且y是属于功能正常类别的样本的数量。

继续图8的示例，在与节点800相关联的73个样本中，7个样本不满足节点800的不等式并且与节点801相关联，而66个样本满足节点800的不等式并且与节点802相关联。在节点800的73个样本中，只有44个样本是“独特”样本，其他样本是这些“独特”样本的副本。

在不满足不等式X[0]<＝-0.001的7个电池中(节点801)，5个电池属于有缺陷类别，并且2个电池属于功能正常类别。每个类别的群体量(population)大致相当，并且计算出的基尼指数(Gini index)为0.408，已知该指数的最大值为0.5，计算出的基尼指数是相对高的。

与之相比，在满足不等式X[0]<＝-0.001的66个电池中(节点802)，65个电池属于有缺陷类别，并且只有一个电池属于功能正常类别，从而导致等于0.03的低基尼指数。

规则的成本由以下关系给出：

其中J(k)为等级为k的节点的成本，m为与该节点相关联的总群体量，m_left、G_left、m_right和G_right分别为由决策规则创建的左子节点和右子节点的总群体量和基尼指数。

在上面的示例中，与节点800相关联的决策规则的成本因此约为0.067。在训练模型时，对于每个等级，在所有输入数据上随机测试大量不等式，并且保留成本最低的不等式。

等级k+1的新节点的构造然后继续从节点(在该示例中为节点802)重新开始，该节点的基尼指数最低。可以设想多个准则来继续构造以下节点：

-最大深度，即，树能够拥有的级别的最大数量，

-样本的最小数量，根据该最小数量，一个节点能够被划分为子节点，以及

-在划分之后每个子节点中的样本的最小数量。例如，如果该数量等于5，则仅当划分导致创建2个子节点且每个子节点至少具有5个样本时，才会考虑该划分。

图9示出了获得的树的部分示例。

虚线节点继续经过为清楚起见未示出的其他节点(整个树太大)。通过将针对每个电池测量出的值与每个节点的不等式进行比较，给出树的最终预测。从一个节点到另一个节点穿过树到达叶节点。在已知针对学习数据的该叶子的类别的分布的情况下，就可以估计属于一个或另一个类别的概率，并将最可能的类别指派给电池。

换言之，所属的类别是叶节点在学习期间具有最多样本数量的类别。

随机森林算法生成图9类型的多个树(例如，数量级为一百)，这些树在训练数据中的全部或一些上进行训练，以便减少过度拟合现象。对用于给定电池的模型的最终预测由所有树上表达的多数票给出。

可选地，可以通过计算训练数据的预测分数和验证数据的预测分数来在验证数据集上评估经训练的分类模型，以便检查这两个分数之间的差异是否不太大。如果这个差异太大，可以通过修改算法的参数来执行新的学习。

一旦分类模型已经被训练和验证，该分类模型就被直接用于步骤114的使用阶段，以仅基于对电池执行的测量110来预测新制造的电池是功能正常的还是有缺陷的，而不执行完整循环。

图10示出了在其上制造微电池的硅晶片的尺度上获得的预测的一个示例。功能正常的电池由类别“1”标识，并且有缺陷的电池由类别“0”标识。

图11示出了被配置为实施本发明的测试系统的图。为此，图11示出了具有阳极和阴极的电池Dn、可编程电流发生器An和可编程电压表Vn，该可编程电流发生器An和可编程电压表Vn连接到电池Dn的端子，以便执行根据本发明的方法的步骤110中所需的测量。测试系统包括以处理单元的形式的控制器Cn，其接收对电池执行的测量并实现分类模型的学习和使用，以预测电池Dn的功能正常或有缺陷状态。控制器Cn包括至少一个处理器Pn和存储器Mn。

本发明可以被实现为计算机程序，包括用于执行本发明的指令。计算机程序可以记录在处理器可读记录介质上。

对计算机程序的引用不限于在单个主机计算机上运行的应用程序，该计算机程序在被执行时，执行上述功能中的任何一个。与之相比，这里使用的术语计算机程序和软件在一般意义上指代任何类型的计算机代码(例如，应用软件、固件、微码或任何其他形式的计算机指令)，其可以用于对一个或多个处理器程序进行编程来实现这里描述的技术的方面。计算单元或资源可以特别地是分布式的(“云计算”)，可能使用对等技术。软件代码可以在任何合适的处理器(例如，微处理器)或处理器核心或处理器的集合上执行，这些处理器在单个计算设备中提供或分布在多个计算设备中(例如，可能在设备的环境中是可访问的)。允许可编程设备实现根据本发明的过程的每个程序的可执行代码可以存储在例如硬盘驱动器或只读存储器中。一般而言，一个或多个程序将能够在被执行之前加载到设备的存储单元中的一个中。中央处理单元能够命令和引导根据本发明的一个或多个程序的软件代码部分或指令的执行，这些指令存储在硬盘驱动器或只读存储器中或其他上述存储元件中。

本发明可以在基于例如嵌入式处理器的计算设备上实现。处理器可以是通用处理器、专用处理器、专用集成电路(ASIC)或现场可编程门阵列(FPGA)。计算设备可以使用一个或多个专用电子电路或通用电路。本发明的技术可以在执行包括指令序列的程序的可重新编程的计算机器(例如，处理器或微控制器)上实现，或者在专用计算机器(例如，逻辑门的集合，例如，FPGA或ASIC，或任何其他硬件模块)上实现。

Claims (15)

1.一种用于模型的机器学习(101)的计算机实现的方法，所述模型用于将电池分类为两个类别：功能正常或有缺陷，所述方法包括以下步骤：

-在相同类型的电池的集合上获取(110)电池的操作的一组测量特性，

-对所述集合中的每个电池执行(111)完整循环，并且测量所述电池的充电曲线或放电曲线之中的至少一条曲线，

-通过将至少一条测量出的曲线与表征所述电池的正确操作的参考曲线进行比较，针对每个电池确定(111)属于功能正常类别或有缺陷类别的标签，以及

-基于所述一组测量和属于所述两个类别中的一个类别的所述标签，执行(112)对用于根据所述两个类别对电池进行分类的模型的有监督训练。

2.根据权利要求1所述的机器学习方法，其中，对分类模型的所述有监督训练是通过随机森林算法的方式执行的。

3.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池的操作的所述一组测量特性包括：跨所述电池的端子的开路电压的至少一个测量，例如，预定时间间隔内的平均测量。

4.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池的操作的所述一组测量特性包括：在部分充电期间流过所述电池的电流的简档的至少一个测量。

5.根据权利要求4所述的机器学习方法，其中，所述电流的简档是在最大电流值和部分充电结束电流值之中的至少一个特定点处测量的。

6.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池的操作的所述一组测量特性包括：在部分充电之后的所述电池的弛豫期间，跨所述电池的端子的电压的简档的至少一个测量。

7.根据权利要求6所述的机器学习方法，其中，电压简档测量包括：通过线性回归执行的，对放电期间的电压曲线的斜率和/或测量弛豫结束电位的至少一个估计。

8.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池的操作的所述一组测量特性包括：通过利用至少一个预定频率的信号激励所述电池来执行的至少一个电化学阻抗光谱测量。

9.根据权利要求8所述的机器学习方法，其中，所述电化学阻抗光谱测量是针对预定为1000Hz和10Hz的至少两个频率执行的。

10.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池的操作的所述一组测量特性包括：电池在制造晶片上的位置的至少一个测量。

11.根据前述权利要求中的任一项所述的机器学习方法，其中，所述电池为无锂固体电池。

12.一种使用根据前述权利要求中的任一项所述的机器学习方法获得的计算机实现的分类模型。

13.一种用于测试(102)电池的集合的方法，包括以下步骤：对于每个电池进行以下操作：

-获取(110)用于训练根据权利要求12所述的分类模型的同一组测量，以及

-实现根据权利要求12所述的分类模型(113)，以基于所述一组测量来确定(114)所述电池属于所述功能正常类别还是所述有缺陷类别。

14.一种计算机程序产品，包括用于实现根据权利要求1至11或13中的任一项所述的方法中的任一种方法的代码指令。

15.一种用于测试电池的集合的设备，包括：测量装置(Vn、An)和计算设备(Cn)，所述测量装置(Vn、An)和计算设备(Cn)被配置为一起执行根据权利要求13所述的测试方法。